站內搜索
站內搜索
作者系國家社科基金重大項目“方志中方言資料的整理、輯錄及數字化工程”首席專家、西南交通大學特聘教授﹔西南交通大學博士研究生
中華文明歷經數千年的演進、積澱，流傳至今的文獻浩如煙海。現代社會信息技術飛速發展，這對文獻的保護和利用來說，既是機遇，也是挑戰。“不數字無人文”時代的全面到來，意味著數字化已成為文獻資源保護、利用、轉化、發展的必要前提。
文獻可檢索化是學術大發展的助推器。從利用角度而言，數字化的核心是“可檢索”。檢索是現代人文社科研究必不可少的手段和工具，其基本功能是根據問題的指向，幫助研究者快速、准確地查找、鑒別和處理相關文獻材料，建立起知識之間的關聯，實現知識的融匯。數字人文興起之前，人們對文獻進行可檢索化處理的成果是索引，也稱“引得”。中國古代的索引是在字書、韻書、類書、書目等基礎上發展起來的檢索工具，或稱為通檢、備檢、韻編、串珠等。索引可以實現查檢字、詞、句、篇、文、史、地、事、人、年、制等功能，極大地提高研究效率。
歷史上體例完備、搜羅宏富的索引型工具書的每一次進步，都能有力地推動學術的發展，並對后世產生深遠影響。清代阮元主持編纂《經籍籑詁》（又作《經籍纂詁》），匯集了我國唐以前古書中的訓詁資料，分韻編排，對歷代典籍訓詁做了索引式的整理——“展一韻而眾字畢備，檢一字而諸訓皆存，尋一訓而原書可識。”故此書甫一問世，就受到當時學界盛贊，並在學術研究中加以利用。如郝懿行撰寫《爾雅義疏》就得益於書中提供的豐富材料，他說“適購得《經籍纂詁》一書，絕無檢書之勞，而有引書之樂”﹔20世紀后半葉，日本諸橋轍次新編《大漢和辭典》，中國台灣出版《中文大辭典》，我國兩部大型語文辭書《漢語大字典》和《漢語大詞典》，都把《經籍籑詁》列為最重要的參考書之一﹔《故訓匯纂》《古音匯纂》則是《經籍籑詁》的最新發展。時至今日，它仍然是學者案頭必備的工具書。又如，民國時期由洪業主持的哈佛燕京學社引得編纂處編纂的“漢學引得叢刊”，借鑒西方科學的索引技術和方法，首次大規模成系統地編纂了64種81冊中國古籍引得工具書，深受當時國內外學界的贊賞，極大地推動了民國學術的發展。
大數據時代，各類綜合性、專題性電子數據庫如雨后春筍般涌現。相較傳統的紙質索引而言，能夠處理海量數據的數字化檢索功能豐富且更高效便捷，開啟了人文學科全新的研究路徑，引起了研究范式的大變革。可見，文獻可檢索化的意義絕不止於為學界提供高效便捷的檢索工具，更重要的是倡導了科學高效的讀書和治學方法。
“精校勘”“可檢索”是文獻數字化的兩大支點。文獻的保護和利用，這裡主要指古文獻的保護和利用，有原生性保護和再生性保護兩種方式。原生性保護更多關注文獻作為文化承載實體的物質屬性，把文獻當作“文物”保護起來。再生性保護則有影印、縮微和數字化三種技術手段。前兩種手段讓文獻以再造紙本或縮微膠片的形式轉印，較好地保存了原貌﹔但沒有經過標點、校勘、注釋，閱讀不便，無法進行檢索，查找效率低下，使用中証據力有所欠缺。因此，要提升古文獻的利用率，讓它們“活起來”，就必須將其內容轉化為數字文本。
文獻數字化包括紙本資源的電子化，以及在電子化文本基礎上的斷句、標點、詞語切分等基礎性加工和深層次的知識提取、聯結、擴展。“精校勘”是文獻數字化的第一個支點。基於可靠紙本的電子化文本是文獻數字化的前提和保障，文獻數字化的實現過程即是大規模整理文獻的過程。“可檢索”則是文獻數字化的另一個支點。擁有可靠的電子化文本后，在海量的數據資料面前，如果不能實現可檢索，則還是不利於讀者對文獻的利用。因此，隻有夯實“精校勘”和“可檢索”兩個支點，才能走穩文獻數字化的建設之路。
文獻數字化，歸根到底是知識生產資源、學術研究材料的數字化。“一時代之學術，必有其新材料與新問題”，新材料能出新學問。從語言研究角度說，激活舊材料，挖掘新材料是語言研究持久不懈的重要工作。新材料有兩層含義：狹義的新材料指地下出土的材料，如清末民初的甲骨文、簡帛及敦煌文獻﹔廣義的新材料則指前人未曾使用過的，或在研究中沒有系統搜集、整理的，學界不曾注意的材料，如域外文獻、大內檔案。從方言研究角度看，20世紀的歌謠收集、方言調查報告、少數民族語言調查，近年的方志方言整理，其實質上也是新材料，但這些材料的“新”不深究難以覺察。中國地方志是“我國有史以來最大的社會科學成果群”，其中蘊含了豐富的方言材料，他們是中國語言學研究的又一富礦，是具有寶貴價值的新材料。其中不僅有漢語方言，還有少數民族語、外來語，語音、詞匯、語法、俗語俱全。但分布零散，搜檢不易，前人使用不多。20世紀中葉，日本學者波多野太郎編纂《中國方志所錄方言匯編》（9編），收集、影印了266種中國舊志中的方言資料﹔21世紀初，日本學者太田齋、加納巧《新編中國地方志所錄方言志目錄》集31個省市含有方言資料的新志，編成目錄。2021年，出現了兩部舊志方言資料整理的集大成之作：華學誠主編，曹小雲、曹嫄《歷代方志方言文獻集成》（11冊）整理點校了966種舊志方言文獻﹔李藍《中國方志中語言資料集成》（42冊）搜集影印了742種含有語言資料的舊志內容。這是兩部舊志方言資料整理的力作，得到學界好評。國家社科基金重大項目“方志中方言資料的整理、輯錄及數字化工程”搜集整理新、舊方志中的方言資料，分省編成《中國方志方言資料匯纂》，印刷紙本296冊﹔建成了可供檢索利用的“中國方志方言詞匯數據庫”。該庫從10余萬種方志中，系統地整理出3677種中國新、舊方志中的方言詞，現已入庫方言詞130萬余條，總字數約5000萬字。該數據庫屬於全息數據庫，可一鍵查詢到古今方志方言詞匯的相應信息，這對未來的漢語方言研究或將有重要參考價值。
科學設計檢索字段是提高檢索效率的關鍵。文獻數字化要兼顧到原貌保護、精確校勘、電子化提取、方便檢索等多方面要求。因此，需要根據不同的檢索目的，匹配不同專業的特征項，做好檢索的頂層設計，從而提高檢索效率和查准率。在文獻數字化的建設過程中，“精校勘”的紙質文本與電子化文本是實現“可檢索”功能的前提，而提高檢索效率的關鍵則是科學的檢索字段設計。
大數據時代的文獻數字化除提供字符串匹配的基礎檢索功能外，還應對內容進行深度標引、知識發掘和文獻信息關聯。以“中國方志方言詞匯數據庫”為例，其檢索字段設計包括：詞形、注音、釋義、文例、詞類、語類、通行地域、方志纂修時間、方志纂修者、方志名稱、方言所在篇（卷）。通過數據的結構化處理，可進行批量查詢、計量統計﹔可實現全文檢索，也可進行方言分時、分地、分詞類、分語類等專門性檢索。方言分區、分類是方言研究的基礎工作，又是方言研究的歸宿。學界目前多以語音為方言分區的條件，“中國方志方言詞匯數據庫”可以起到重要的輔助和驗証作用。如可從數據庫中方便地提取同一方言詞在相鄰的區、片、小片、點的復現率、同一方言詞在不同方言中的共現率等數據。例如，晉語“好面”指白面、精細面，在山西太原、鄉寧等地47種方志中出現過﹔又如方言詞“蔫”指物不新鮮，在河北雄縣、青縣，江蘇吳縣，浙江蕭山、鄞縣，上海，福建，廣東番禺，重慶雲陽、長壽，四川蓬溪、簡陽，貴州遵義、平越等地36種方志中出現過。這樣的數據，無疑將有益於我們用來研究方言分區、方言溯源、方言擴散、方言比較、形音義、語言接觸、移民現象等多方面的問題。基於該庫對漢語方言材料進行深度而高效的分析，使漢語方言研究除方言調查報告、方言著作、方言研究論文、方言地圖、方言詞典外，又多了一個可靠好用的檢索平台，有助於方言研究進入更宏觀的視野，提高研究結論的精准性、穩定性及可驗証性，促生新的研究理念、方法與范式。
依托於現代信息技術發展起來的文獻數字化檢索方式，是真正對包括古籍在內的文獻實現永續性保護和利用的好辦法，必將大大推動人文社會科學領域的發展，推動中華優秀傳統文化創造性轉化、創新性發展。
